程云芳,邱 榕
(中國科學(xué)技術(shù)大學(xué)火災(zāi)科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,合肥,230026)
苯是種常見的有毒危險(xiǎn)化學(xué)品,被廣泛應(yīng)用于各種工業(yè)場(chǎng)所[1]。一旦苯儲(chǔ)罐發(fā)生泄漏事故,若未采取對(duì)應(yīng)預(yù)防應(yīng)急措施,會(huì)對(duì)人們的生命、財(cái)產(chǎn)、環(huán)境等帶來嚴(yán)重傷害。有必要在事故發(fā)生前,對(duì)苯儲(chǔ)罐泄漏事故進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)減少苯儲(chǔ)罐泄漏事故的發(fā)生。
目前眾多學(xué)者已對(duì)苯儲(chǔ)罐泄漏事故的風(fēng)險(xiǎn)預(yù)測(cè)進(jìn)行了大量研究,并提出多種評(píng)價(jià)方法[2],如事故樹分析法、層次分析法、灰色理論法、模糊綜合評(píng)價(jià)法、事故后果模擬等,這些方法主要通過定性、定量相結(jié)合的方式,找到苯儲(chǔ)罐泄漏事故中潛在的致險(xiǎn)因素。但由于苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)是一個(gè)動(dòng)態(tài)過程,當(dāng)其中某些潛在危險(xiǎn)因素變化時(shí),這些評(píng)價(jià)方法不能迅速調(diào)整,難以在事發(fā)前預(yù)測(cè)苯儲(chǔ)罐泄漏事故的風(fēng)險(xiǎn)程度,極大影響評(píng)價(jià)效率。而支持向量機(jī)SVM是種機(jī)器學(xué)習(xí)算法,能進(jìn)行快速計(jì)算,并且在處理非線性、小樣本等問題具有獨(dú)特優(yōu)勢(shì)[3]。因此,我們提出將SVM模型運(yùn)用于事故前苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)。為使其模型性能最優(yōu),我們采用全局優(yōu)化算法粒子群(PSO)優(yōu)化SVM模型參數(shù),建立PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型。在進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)過程中,首先通過建立預(yù)測(cè)指標(biāo)體系、確定指標(biāo)權(quán)重獲取預(yù)測(cè)樣本數(shù)據(jù)。為驗(yàn)證PSO-SVM模型風(fēng)險(xiǎn)預(yù)測(cè)性能,我們分別采用遺傳算法(GA)和網(wǎng)格搜索法(GS)優(yōu)化SVM參數(shù),并比較測(cè)試集與PSO-SVM、GA-SVM、GS-SVM三種模型預(yù)測(cè)結(jié)果的均方誤差及相關(guān)系數(shù),然后進(jìn)一步探討了PSO-SVM中權(quán)重調(diào)整方式、種群規(guī)模對(duì)模型預(yù)測(cè)性能的影響。研究發(fā)現(xiàn)權(quán)重線性遞減所建PSO-SVM模型預(yù)測(cè)值與測(cè)試集相關(guān)系數(shù)更高、均方誤差更小、預(yù)測(cè)效果更好。
引發(fā)苯儲(chǔ)罐泄漏事故的危險(xiǎn)源是各不同系統(tǒng)的危險(xiǎn)因素所組成的復(fù)雜系統(tǒng),為合理有針對(duì)性地預(yù)測(cè)苯儲(chǔ)罐泄漏事故的各潛在風(fēng)險(xiǎn),建立的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系必須科學(xué)地、全面地分析各指標(biāo)和系統(tǒng)之間的關(guān)系、及各指標(biāo)內(nèi)在的相互關(guān)系。因此所有指標(biāo)選取,必須嚴(yán)格遵循獨(dú)立性、科學(xué)性、可操作性和動(dòng)態(tài)性原則[4]。
通過調(diào)研目前國內(nèi)外的苯儲(chǔ)罐泄漏事故,結(jié)合事故致因理論、危險(xiǎn)源理論,可從人機(jī)環(huán)管四方面將苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系,劃分為4個(gè)一級(jí)指標(biāo)和14個(gè)二級(jí)指標(biāo),如圖1所示。
圖1 苯儲(chǔ)罐泄漏風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系
本文采用層次分析法確定上述14個(gè)苯儲(chǔ)罐泄漏事故二級(jí)指標(biāo)的權(quán)重值,層次分析法是一種可將復(fù)雜因素定性判斷問題轉(zhuǎn)化為定量計(jì)算各因素權(quán)重值的方法,最早在上世紀(jì)70年代由Saaty[5]提出,可有效決策、判斷各種復(fù)雜問題的主要影響因素。
層次分析法通過構(gòu)造判斷矩陣,然后對(duì)判斷矩陣進(jìn)行一致性檢驗(yàn),來明確各指標(biāo)的權(quán)重值。此次苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系構(gòu)造的判斷矩陣,是通過問卷調(diào)查形式,由5位專家結(jié)合自身經(jīng)驗(yàn)和專業(yè)能力,采用數(shù)字1~9為標(biāo)度,對(duì)所有指標(biāo)進(jìn)行兩兩比較,再進(jìn)行打分而確定。其中標(biāo)度1~9所對(duì)應(yīng)的各含義,如表1所示。
表1 標(biāo)度含義
采用MATLAB軟件對(duì)各指標(biāo)因素的最大特征值λmax、一致性比率、權(quán)重值分別進(jìn)行計(jì)算,然后進(jìn)行判斷矩陣一致性檢驗(yàn),計(jì)算結(jié)果分別如表2~表6和圖2、圖3所示。
表2 一級(jí)指標(biāo)判斷矩陣和一致性檢驗(yàn)
表3 人員因素的判斷矩陣和一致性檢驗(yàn)
表4 設(shè)備因素的判斷矩陣和一致性檢驗(yàn)
表5 管理因素的判斷矩陣和一致性檢驗(yàn)
表6 環(huán)境因素的判斷矩陣和一致性檢驗(yàn)
圖2 苯儲(chǔ)罐風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系一級(jí)指標(biāo)權(quán)重值
圖3 苯儲(chǔ)罐風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)體系二級(jí)指標(biāo)權(quán)重值
為形成苯儲(chǔ)罐泄漏事故樣本數(shù)據(jù),本文將上述苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)體系中所有指標(biāo)的參數(shù)值,根據(jù)不同風(fēng)險(xiǎn)程度,采用滿分制將其依次劃分成5個(gè)級(jí)別,依次為:危險(xiǎn)性非常高(0,20],危險(xiǎn)性比較高(20,40],危險(xiǎn)性一般(40,60],危險(xiǎn)性比較低(60,80],危險(xiǎn)性非常低(80,100]。并利用軟件 MATLAB在5個(gè)不同風(fēng)險(xiǎn)等級(jí)區(qū)間內(nèi)各隨機(jī)生成4組數(shù)據(jù),共隨機(jī)生成20組不同風(fēng)險(xiǎn)程度的評(píng)語集數(shù)據(jù)。根據(jù)1.2,可知預(yù)測(cè)指標(biāo)體系所有指標(biāo)權(quán)重值wi,再結(jié)合公式(1),可得出20組不同隨機(jī)數(shù)據(jù)依次所對(duì)應(yīng)的苯泄漏事故風(fēng)險(xiǎn)程度值,計(jì)算如(1)所示。
(1)
式中,Si為第i組數(shù)據(jù)得到的苯泄漏事故風(fēng)險(xiǎn)程度值;wi為第i個(gè)指標(biāo)權(quán)重值;aji表示j組數(shù)據(jù)第i個(gè)指標(biāo)的風(fēng)險(xiǎn)程度值。
為進(jìn)一步預(yù)估苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)值,我們將上述20組隨機(jī)數(shù)據(jù)和其一一對(duì)應(yīng)的苯泄漏事故的風(fēng)險(xiǎn)程度值,作為風(fēng)險(xiǎn)預(yù)測(cè)模型樣本數(shù)據(jù),如表7所示。同時(shí)將樣本數(shù)據(jù)按3∶1原則,依次劃分為訓(xùn)練集數(shù)據(jù)、測(cè)試集數(shù)據(jù)。則樣本數(shù)據(jù)前面15組為訓(xùn)練集數(shù)據(jù),主要用于訓(xùn)練PSO-SVM模型;樣本數(shù)據(jù)后面5組為測(cè)試集數(shù)據(jù),用于檢驗(yàn)PSO-SVM模型性能。最后將PSO-SVM預(yù)測(cè)模型所需要的樣本數(shù)據(jù)存入EXCEL中,在進(jìn)行PSO-SVM模型訓(xùn)練時(shí),利用MATLAB依次讀取EXCEL所存入的樣本數(shù)據(jù)。
表7 苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)模型的樣本數(shù)據(jù)
支持向量機(jī)作為機(jī)器學(xué)習(xí)算法,在處理非線性關(guān)系方面擁有獨(dú)特的優(yōu)勢(shì)。通過非線性映射可將復(fù)雜非線性問題轉(zhuǎn)化成高維空間中的線性回歸問題,能夠快速地對(duì)多因素間復(fù)雜關(guān)系進(jìn)行學(xué)習(xí)分析[6]。支持向量機(jī)(SVM)回歸預(yù)測(cè)模型的本質(zhì)就是根據(jù)有限的樣本數(shù)據(jù),考慮每個(gè)輸入和輸出樣本之間復(fù)雜交叉關(guān)系,尋找到它們之間的最優(yōu)關(guān)系,并對(duì)測(cè)試集中的輸入樣本給出合理的輸出,其結(jié)構(gòu)示意圖如圖4所示。
圖4 SVM結(jié)構(gòu)示意圖
SVM回歸函數(shù)可表示如下:
Y=w.φ(Ai)+b
(2)
式(2)中w為權(quán)值向量,b為偏差,A是輸入樣本數(shù)據(jù)集,Y為預(yù)測(cè)值。其中A={x1,x2,…,xi;y1,y2,…,i=1,2,3,…},x1,x2,…xi和y1,y2,…,均為樣本輸入量。
對(duì)非線性問題,引入核函數(shù)K(z,zi),通過非線性映射φ(Ai),將輸入空間轉(zhuǎn)化為高維空間,非線性問題變?yōu)榫€性問題,則優(yōu)化的目標(biāo)函數(shù)表示為:
(3)
利用拉格朗日乘子和對(duì)偶原理求解上式的ω,則有:
(4)
得到最終的回歸函數(shù)為:
(5)
為使SVM模型預(yù)測(cè)性能最優(yōu),我們需要對(duì)其內(nèi)部參數(shù)懲罰因子C、核函數(shù)參數(shù)g進(jìn)行優(yōu)化[7]。粒子群(PSO)種全局優(yōu)化算法,主要通過種群粒子之間的競爭、合作共同實(shí)現(xiàn)種群進(jìn)化[8]。我們采用PSO對(duì)SVM模型的懲罰因子C和核參數(shù)g進(jìn)行參數(shù)尋優(yōu),構(gòu)建PSO-SVM模型示意圖如圖5所示,主要步驟如下:
(1) 將樣本數(shù)據(jù)分為訓(xùn)練、測(cè)試兩大類,然后歸一化處理所有樣本數(shù)據(jù);
(2) 使用粒子群算法優(yōu)化種群參數(shù),同時(shí)設(shè)置種群規(guī)模、慣性權(quán)重因子、迭代次數(shù)等各項(xiàng)參數(shù);
(3) 計(jì)算粒子適應(yīng)度值,然后更新粒子速度、位置等參數(shù)。粒子適應(yīng)度值越小,代表此時(shí)粒子位置最優(yōu);
(4) 判斷最優(yōu)參數(shù)的結(jié)束條件,主要看迭代次數(shù)能否滿足設(shè)定值或適應(yīng)度值是否達(dá)到設(shè)定數(shù)值,若達(dá)到,優(yōu)化算法結(jié)束;否則,參數(shù)優(yōu)化繼續(xù);
(5) 將尋找到的最優(yōu)參數(shù)C、g分別代回SVM回歸模型,然后訓(xùn)練樣本數(shù)據(jù);
(6) 通過測(cè)試集數(shù)據(jù)測(cè)試PSO-SVM回歸預(yù)測(cè)性能,如果預(yù)測(cè)值符合設(shè)定要求,輸出預(yù)測(cè)數(shù)值;否則,持續(xù)優(yōu)化參數(shù)C、g,至預(yù)測(cè)數(shù)值符合設(shè)定值。
圖5 PSO-SVM模型示意圖
我們將模型的輸入變量確定為上述苯儲(chǔ)罐泄漏的主要風(fēng)險(xiǎn)因素,并將各隨機(jī)數(shù)據(jù)所對(duì)應(yīng)的風(fēng)險(xiǎn)數(shù)值確定為模型輸出量,建立PSO-SVM苯泄漏風(fēng)險(xiǎn)預(yù)測(cè)模型,如圖6所示。在計(jì)算前,我們歸一化處理預(yù)測(cè)模型的樣本數(shù)據(jù),同時(shí)將樣本數(shù)據(jù)限制在[0,1]之間。
圖6 苯儲(chǔ)罐泄漏風(fēng)險(xiǎn)預(yù)測(cè)模型的輸入與輸出
在采用PSO-SVM模型進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)時(shí),選用默認(rèn)的RBF核函數(shù),并依次設(shè)置算法參數(shù)值。終止迭代次數(shù)設(shè)置為200,種群規(guī)模數(shù)量設(shè)置為20,學(xué)習(xí)因子c1設(shè)置為1.5,c2設(shè)置為1.7,懲罰因子C設(shè)置為區(qū)間(2-8,28),權(quán)重值w設(shè)置為1,核函數(shù)參數(shù)g∈(2-8,28),其他設(shè)置為默認(rèn)值。為驗(yàn)證基于PSO-SVM的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)模型性能,分別建立GS-SVM、GA-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型,依次采用網(wǎng)格搜索法GS、遺傳算法GA優(yōu)化SVM模型參數(shù)。GS-SVM模型參數(shù)尋優(yōu)中,最小步長設(shè)為0.8,其余參數(shù)和PSO-SVM模型一致。GA-SVM模型參數(shù)尋優(yōu)中,參數(shù)和PSO-SVM模型參數(shù)設(shè)置一致。
依次采用PSO-SVM、GS-SVM、GA-SVM三種風(fēng)險(xiǎn)預(yù)測(cè)模型,在MATLAB平臺(tái)上訓(xùn)練20組苯儲(chǔ)罐泄漏事故樣本數(shù)據(jù)。種群粒子通過迭代進(jìn)化得到最優(yōu)粒子,最優(yōu)粒子所對(duì)應(yīng)的最佳適應(yīng)度值即為所尋最佳參數(shù)C、g的數(shù)值。在種群粒子迭代進(jìn)化中,設(shè)置最佳適應(yīng)度值為樣本數(shù)據(jù)交叉驗(yàn)證均方差值。三種風(fēng)險(xiǎn)預(yù)測(cè)模型的參數(shù)優(yōu)化結(jié)果,分別如圖7~圖9所示。
圖7 PSO-SVM參數(shù)優(yōu)化結(jié)果
圖8 GA-SVM參數(shù)優(yōu)化結(jié)果
圖9 GS-SVM參數(shù)優(yōu)化結(jié)果
從圖7~圖9可知,PSO-SVM模型參數(shù)優(yōu)化過程中,粒子迅速迭代得到最佳適應(yīng)度值,并長時(shí)間穩(wěn)定,此時(shí)尋找到最佳參數(shù)C、g值依次為5.271、0.01,最小交叉驗(yàn)證均方差值7.0796E-05。GS-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行參數(shù)優(yōu)化過程時(shí),得到最小交叉驗(yàn)證均方差值5.4434e-05,此時(shí)的最佳位置BestC=0.125,Bestg=256。GA-SVM模型參數(shù)優(yōu)化過程中,種群粒子經(jīng)過53次迭代后,得到最佳適應(yīng)度值,此時(shí)相對(duì)應(yīng)的最佳參數(shù)C、g數(shù)值依次為47.866、0.028。比較三種預(yù)測(cè)模型的適應(yīng)能力,可知PSO-SVM預(yù)測(cè)模型的適應(yīng)度值最小,則適應(yīng)能力最好。三種預(yù)測(cè)模型優(yōu)化得到的最優(yōu)參數(shù)C、g數(shù)值,依次代入各模型進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。預(yù)測(cè)過程中,三種模型分別訓(xùn)練前15組樣本數(shù)據(jù),通過訓(xùn)練形成回歸預(yù)測(cè)模型,然后對(duì)后5組(編號(hào)16~編號(hào)20)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)。三種模型的回歸預(yù)測(cè)結(jié)果如表8所示,三種模型預(yù)測(cè)結(jié)果效果圖如圖10所示。
表8 三種模型預(yù)測(cè)風(fēng)險(xiǎn)值與計(jì)算值對(duì)比
圖10 三種預(yù)測(cè)模型風(fēng)險(xiǎn)預(yù)測(cè)效果圖
由表8、圖10可以得知:
PSO-SVM模型預(yù)測(cè)效果最好,回歸預(yù)測(cè)的風(fēng)險(xiǎn)值與測(cè)試樣本數(shù)據(jù)最吻合;GA-SVM模型回歸預(yù)測(cè)的風(fēng)險(xiǎn)值趨勢(shì)和測(cè)試樣本數(shù)據(jù)基本一致,但預(yù)測(cè)風(fēng)險(xiǎn)值偏差要高于PSO-SVM模型;GS-SVM模型回歸預(yù)測(cè)的風(fēng)險(xiǎn)值趨勢(shì)完全不同于測(cè)試樣本數(shù)據(jù),預(yù)測(cè)效果最差。
GS-SVM模型中,預(yù)測(cè)的4組風(fēng)險(xiǎn)值基本一致,且存在較大偏差,說明GS-SVM模型具備較差泛化能力,不能根據(jù)測(cè)試樣本數(shù)據(jù)的輸入給出合理輸出,主要原因可能為:網(wǎng)格搜索法最優(yōu)參數(shù)尋找過程中,沒有搜索到種群最佳位置,尋找到的參數(shù)并非最佳解,從而構(gòu)建的GS-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型存在一定偏差。
為進(jìn)一步表征PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型的性能,依次計(jì)算了三種模型的均方誤差MSE值、線性相關(guān)系數(shù)R2,計(jì)算結(jié)果如表9所示。
表9 三種預(yù)測(cè)模型MSE和R2對(duì)比
由表9可知:三種模型中,PSO-SVM模型預(yù)測(cè)的風(fēng)險(xiǎn)值與樣本數(shù)據(jù)的相關(guān)系數(shù)達(dá)到0.996 0,相關(guān)性最高,同時(shí)PSO-SVM模型的最小MSE值為0.000 579 641,說明PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型的性能最好。
由上述預(yù)測(cè)結(jié)果,可知PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型性能最優(yōu),可適用于苯儲(chǔ)罐泄漏事故的風(fēng)險(xiǎn)預(yù)測(cè)。但其他參數(shù)如權(quán)重值、種群規(guī)模也可能會(huì)影響 PSO-SVM模型的風(fēng)險(xiǎn)預(yù)測(cè)值,下面將重點(diǎn)進(jìn)行討論。
權(quán)重值會(huì)影響粒子群PSO算法的優(yōu)化性能,常用的權(quán)重調(diào)整方式為權(quán)重線性遞減、權(quán)重隨機(jī)分布和權(quán)重自適應(yīng)這三種[9]。為驗(yàn)證權(quán)重值的影響,依次建立三種權(quán)重調(diào)整方式的PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型,計(jì)算中將最小權(quán)重值設(shè)置為0.4,最大權(quán)重值設(shè)置為0.9。三種權(quán)重調(diào)整方式和權(quán)重為常數(shù)所建PSO-SVM模型的風(fēng)險(xiǎn)預(yù)測(cè)效果,如圖11所示。
圖11 不同權(quán)重調(diào)整方式對(duì)預(yù)測(cè)結(jié)果影響
由圖11可知:四種模型所預(yù)測(cè)的風(fēng)險(xiǎn)值趨勢(shì)和測(cè)試樣本數(shù)據(jù)基本相同,但權(quán)重線性遞減所建PSO-SVM模型預(yù)測(cè)效果更好,所預(yù)測(cè)的4組風(fēng)險(xiǎn)值和樣本數(shù)據(jù)最吻合。因此,建立PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型時(shí),優(yōu)先將權(quán)重值設(shè)置為線性遞減方式,以實(shí)現(xiàn)預(yù)測(cè)效果最優(yōu)。
種群規(guī)模會(huì)影響粒子群算法的優(yōu)化效率[10],因此分別討論了1~20的種群規(guī)模對(duì)PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型的影響,計(jì)算結(jié)果分別如表10、圖12所示。
表10 不同種群數(shù)量預(yù)測(cè)風(fēng)險(xiǎn)值的MSE、R2對(duì)比
圖12 不同種群數(shù)量的時(shí)間消耗
由表10、圖12可知:不同種群規(guī)模的PSO-SVM模型不影響最終所預(yù)測(cè)的風(fēng)險(xiǎn)值,所預(yù)測(cè)的風(fēng)險(xiǎn)值的相關(guān)系數(shù)、均方差完全一致;然而,種群規(guī)模會(huì)影響PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型的計(jì)算時(shí)間。種群規(guī)模為1時(shí),計(jì)算時(shí)間較種群規(guī)模為2~4之間所用時(shí)間多;種群規(guī)模為2~20時(shí),隨著種群規(guī)模變大,計(jì)算時(shí)間也明顯增多。這說明種群規(guī)模過大計(jì)算用時(shí)會(huì)增多,種群規(guī)模較小計(jì)算用時(shí)也會(huì)較長,可能是由于種群規(guī)模較小,參數(shù)尋優(yōu)過程不易搜索到種群最優(yōu)解,從而使得計(jì)算用時(shí)較久。因此采用PSO-SVM模型進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)時(shí),需要進(jìn)行多次計(jì)算,選擇最佳種群規(guī)模,以達(dá)預(yù)測(cè)模型效果最優(yōu)。
采用粒子群-支持向量機(jī)(PSO-SVM)模型進(jìn)行苯儲(chǔ)罐泄漏事故的風(fēng)險(xiǎn)預(yù)測(cè)。首先通過建立預(yù)測(cè)指標(biāo)體系、確定指標(biāo)權(quán)重獲取預(yù)測(cè)樣本數(shù)據(jù)。其次通過確定苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)的輸入、輸出量,建立了基于粒子群-支持向量機(jī)(PSO-SVM)的風(fēng)險(xiǎn)預(yù)測(cè)模型。
為驗(yàn)證PSO-SVM模型風(fēng)險(xiǎn)預(yù)測(cè)性能,分別對(duì)比了PSO-SVM、GS-SVM、GA-SVM三種預(yù)測(cè)模型的風(fēng)險(xiǎn)預(yù)測(cè)值、相關(guān)系數(shù)及均方誤差,發(fā)現(xiàn)PSO-SVM預(yù)測(cè)模型的相關(guān)系數(shù)最高、均方差最小,說明PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型效果最好,這為苯儲(chǔ)罐泄漏事故的風(fēng)險(xiǎn)預(yù)測(cè)提供了新的方法。
最后進(jìn)一步探討了PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型中權(quán)重調(diào)整方式、種群規(guī)模對(duì)模型預(yù)測(cè)性能的影響。發(fā)現(xiàn)權(quán)重線性遞減所建PSO-SVM預(yù)測(cè)值與測(cè)試樣本數(shù)據(jù)最吻合,預(yù)測(cè)效果最好;種群規(guī)模不會(huì)影響PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型預(yù)測(cè)值,然而會(huì)影響預(yù)測(cè)過程的計(jì)算時(shí)間,種群規(guī)模過大或者過小都會(huì)影響計(jì)算時(shí)間,需要經(jīng)過多次計(jì)算選擇恰當(dāng)種群規(guī)模數(shù)量。